KR102630546B1 - 하천의 영상 정보를 활용한 인공지능 기반의 하천 수위 및 유속 계측 방법 및 장치 - Google Patents

하천의 영상 정보를 활용한 인공지능 기반의 하천 수위 및 유속 계측 방법 및 장치 Download PDF

Info

Publication number
KR102630546B1
KR102630546B1 KR1020230160952A KR20230160952A KR102630546B1 KR 102630546 B1 KR102630546 B1 KR 102630546B1 KR 1020230160952 A KR1020230160952 A KR 1020230160952A KR 20230160952 A KR20230160952 A KR 20230160952A KR 102630546 B1 KR102630546 B1 KR 102630546B1
Authority
KR
South Korea
Prior art keywords
river
flow rate
specific
image data
water level
Prior art date
Application number
KR1020230160952A
Other languages
English (en)
Inventor
강미애
류문수
Original Assignee
주식회사 윈스퍼트
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 윈스퍼트 filed Critical 주식회사 윈스퍼트
Priority to KR1020230160952A priority Critical patent/KR102630546B1/ko
Application granted granted Critical
Publication of KR102630546B1 publication Critical patent/KR102630546B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
    • G01F1/002—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow wherein the flow is in an open channel
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
    • G01F1/704—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow using marked regions or existing inhomogeneities within the fluid stream, e.g. statistically occurring variations in a fluid parameter
    • G01F1/708—Measuring the time taken to traverse a fixed distance
    • G01F1/7086—Measuring the time taken to traverse a fixed distance using optical detecting arrangements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F15/00—Details of, or accessories for, apparatus of groups G01F1/00 - G01F13/00 insofar as such details or appliances are not adapted to particular types of such apparatus
    • G01F15/06—Indicating or recording devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
    • G01F23/80—Arrangements for signal processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
    • G01P5/26—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring the direct influence of the streaming fluid on the properties of a detecting optical wave
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/238—Interfacing the downstream path of the transmission network, e.g. adapting the transmission rate of a video stream to network bandwidth; Processing of multiplex streams
    • H04N21/2389—Multiplex stream processing, e.g. multiplex stream encrypting
    • H04N21/23892—Multiplex stream processing, e.g. multiplex stream encrypting involving embedding information at multiplex stream level, e.g. embedding a watermark at packet level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20052—Discrete cosine transform [DCT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Fluid Mechanics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Image Analysis (AREA)

Abstract

인공지능 기반의 하천 수위 및 유속을 계측하는 방법 및 장치가 개시된다. 본 개시의 일 실시예에 따른, 장치에 의해 수행되는, 인공지능 기반의 하천 수위 및 유속을 계측하는 방법은, 적어도 하나의 촬영 장치를 통해 획득된 특정 하천에 대한 제1 영상 데이터를 전처리하는 단계; 상기 전처리된 제1 영상 데이터를 하천 수위를 검출하도록 학습된 수위 검출 모델에 입력하여 상기 특정 하천의 수위에 대한 정보를 획득하는 단계; 상기 전처리된 제1 영상 데이터를 통해 설정된 기준 영역에 대응되는 기준 디지털 지문을 생성하고, 상기 기준 디지털 지문이 생성되고 제1 미리 정의된 시간 후에 획득된 제2 영상 데이터를 상기 기준 영역의 위치를 기준으로 유속 방향으로 단위 픽셀만큼 n (n은 2 이상의 자연수) 번 반복적으로 이동시키면서 n 개의 비교 디지털 지문을 생성하는 단계; 상기 n 개의 비교 디지털 지문 각각 및 상기 기준 디지털 지문 간의 거리에 기초하여, 상기 특정 하천의 단위 유속을 계측하는 단계; 제2 미리 정의된 시간 동안 제1 특정 횟수 만큼 상기 특정 하천의 단위 유속을 계측하는 단계를 반복하여 획득된 복수의 단위 유속 값에 기초하여, 확정 유속을 계측하는 단계; 상기 특정 하천의 수위에 대한 정보 및 상기 확정 유속에 기초하여, 상기 특정 하천의 유량을 획득하는 단계를 포함할 수 있다.

Description

하천의 영상 정보를 활용한 인공지능 기반의 하천 수위 및 유속 계측 방법 및 장치{ARTIFICIAL INTELLIGENCE-BASED RIVER WATER LEVEL AND FLOW VELOCITY MEASUREMENT METHOD AND DEVICE USING RIVER IMAGE INFORMATION}
본 개시는 하천 수위 및 유속을 계측하는 방법 및 장치에 관한 것으로서, 더욱 상세하게는 하천의 영상 정보를 활용한 인공지능 기반의 하천 수위 및 유속 계측 방법 및 장치를 제공함에 있다.
종래에는 하천에 흐르는 유수의 유속을 측정하기 위하여, 각종 측정기(예로, 프로펠러 유속 측정기, 전자 유속 측정기 등)을 이용하는 방법이 활용되었다. 다만, 종래의 기술을 이용할 경우, 오직 한 점에서의 유속만을 측정할 수 있다는 한계가 존재한다.
즉, 하천의 전폭에 걸친 유속을 측정하기 위해서는 많은 수의 측정기가 필요하며, 이에 따라 많은 시간 및 비용이 필요하다는 문제점이 존재한다.
한편, 최근 딥러닝 기반의 인공지능 기술이 발전함에 따라, 다양한 기술 분야에 인공지능 기술을 접목하려는 시도가 늘고 있다.
본 개시는 상술된 문제점을 해결하기 위해 안출된 것으로서, 본 개시의 목적은 하천의 영상 정보를 활용한 인공지능 기반의 하천 수위 및 유속 계측 방법 및 장치를 제공함에 있다.
본 개시의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 개시의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 개시의 목적 및 장점들은 청구범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
본 개시의 일 실시예에 따른, 장치에 의해 수행되는, 인공지능 기반의 하천 수위 및 유속을 계측하는 방법은, 적어도 하나의 촬영 장치를 통해 획득된 특정 하천에 대한 제1 영상 데이터를 전처리하는 단계; 상기 전처리된 제1 영상 데이터를 하천 수위를 검출하도록 학습된 수위 검출 모델에 입력하여 상기 특정 하천의 수위에 대한 정보를 획득하는 단계; 상기 전처리된 제1 영상 데이터를 통해 설정된 기준 영역에 대응되는 기준 디지털 지문을 생성하고, 상기 기준 디지털 지문이 생성되고 제1 미리 정의된 시간 후에 획득된 제2 영상 데이터를 상기 기준 영역의 위치를 기준으로 유속 방향으로 단위 픽셀만큼 n (n은 2 이상의 자연수) 번 반복적으로 이동시키면서 n 개의 비교 디지털 지문을 생성하는 단계; 상기 n 개의 비교 디지털 지문 각각 및 상기 기준 디지털 지문 간의 거리에 기초하여, 상기 특정 하천의 단위 유속을 계측하는 단계; 제2 미리 정의된 시간 동안 제1 특정 횟수 만큼 상기 특정 하천의 단위 유속을 계측하는 단계를 반복하여 획득된 복수의 단위 유속 값에 기초하여, 확정 유속을 계측하는 단계; 상기 특정 하천의 수위에 대한 정보 및 상기 확정 유속에 기초하여, 상기 특정 하천의 유량을 획득하는 단계를 포함할 수 있다.
그리고, 상기 전처리된 영상 데이터는, 상기 특정 하천에 대한 제1 영상 데이터로부터 분리된 상기 특정 하천이 위치한 영역에 대한 이미지 데이터를 포함하고, 상기 수위 검출 모델은, 상기 특정 하천이 위치한 영역에 대한 이미지 데이터에 기초하여 상기 특정 하천의 수위에 대한 정보를 출력하도록 학습될 수 있다.
그리고, 상기 n 개의 비교 디지털 지문을 생성하는 단계는, 상기 제2 영상 데이터에서 상기 기준 영역을 기준으로 유속 방향으로 단위 픽셀만큼 이동시킨 후, 상기 기준 영역 크기와 동일한 제n-1 영역을 설정하고, 상기 제n-1 영역에 대응되는 제n-1 비교 디지털 지문을 생성하는 단계; 및 상기 제2 영상 데이터에서 상기 제n-1 영역을 기준으로 유속 방향으로 단위 픽셀만큼 이동시킨 후, 상기 기준 영역 크기와 동일한 제n 영역을 설정하고, 상기 제n 영역에 대응되는 제n 비교 디지털 지문을 생성하는 단계를 포함할 수 있다.
그리고, 상기 특정 하천의 단위 유속을 계측하는 단계는, 상기 n 개의 비교 디지털 지문 각각 및 상기 기준 디지털 지문 간의 해밍 거리(hamming distance, HD)를 획득하는 단계; 및 상기 n 개의 비교 디지털 지문 중 상기 기준 디지털 지문 간의 HD 값이 가장 작고 디지털 지문 인덱스 값이 가장 작은 특정 비교 디지털 지문을 식별하는 단계를 포함할 수 있다.
그리고, 상기 특정 하천의 단위 유속을 계측하는 단계는, 제3 미리 정의된 시간 동안 제2 특정 횟수 만큼 상기 특정 비교 디지털 지문 및 상기 기준 디지털 지문 간의 HD를 산출하는 단계를 반복하여 복수의 유속 후보 값을 획득하는 단계; 및 상기 복수의 유속 후보 값 중 상위 20% 및 하위 20%에 해당하는 값을 제외한 나머지의 평균 값으로 상기 특정 하천의 단위 유속을 계측하는 단계를 포함할 수 있다.
그리고, 상기 확정 유속은, 상기 복수의 단위 유속 값 중 상위 20% 및 하위 20%에 해당하는 값을 제외한 나머지의 평균 값일 수 있다.
본 개시의 일 실시예로, 인공지능 기반의 하천 수위 및 유속을 계측하는 장치는 하나 이상의 메모리; 및 하나 이상의 프로세서를 포함하고, 상기 하나 이상의 프로세서는, 적어도 하나의 촬영 장치를 통해 획득된 특정 하천에 대한 제1 영상 데이터를 전처리하고; 상기 전처리된 제1 영상 데이터를 하천 수위를 검출하도록 학습된 수위 검출 모델에 입력하여 상기 특정 하천의 수위에 대한 정보를 획득하고; 상기 전처리된 제1 영상 데이터를 통해 설정된 기준 영역에 대응되는 기준 디지털 지문을 생성하고, 상기 기준 디지털 지문이 생성되고 제1 미리 정의된 시간 후에 획득된 제2 영상 데이터를 상기 기준 영역의 위치를 기준으로 유속 방향으로 단위 픽셀만큼 n (n은 2 이상의 자연수) 번 반복적으로 이동시키면서 n 개의 비교 디지털 지문을 생성하고; 상기 n 개의 비교 디지털 지문 각각 및 상기 기준 디지털 지문 간의 거리에 기초하여, 상기 특정 하천의 단위 유속을 계측하고; 제2 미리 정의된 시간 동안 제1 특정 횟수 만큼 상기 특정 하천의 단위 유속을 계측하는 단계를 반복하여 획득된 복수의 단위 유속 값에 기초하여, 확정 유속을 계측하고; 및 상기 특정 하천의 수위에 대한 정보 및 상기 확정 유속에 기초하여, 상기 특정 하천의 유량을 획득하도록 설정될 수 있다.
그리고, 상기 적어도 하나의 프로세서는, 상기 제2 영상 데이터에서 상기 기준 영역을 기준으로 유속 방향으로 단위 픽셀만큼 이동시킨 후, 상기 기준 영역 크기와 동일한 제n-1 영역을 설정하고, 상기 제n-1 영역에 대응되는 제n-1 비교 디지털 지문을 생성하고; 및 상기 제2 영상 데이터에서 상기 제n-1 영역을 기준으로 유속 방향으로 단위 픽셀만큼 이동시킨 후, 상기 기준 영역 크기와 동일한 제n 영역을 설정하고, 상기 제n 영역에 대응되는 제n 비교 디지털 지문을 생성할 수 있다.
그리고, 상기 적어도 하나의 프로세서는, 상기 n 개의 비교 디지털 지문 각각 및 상기 기준 디지털 지문 간의 해밍 거리(hamming distance, HD)를 획득하고; 및 상기 n 개의 비교 디지털 지문 중 상기 기준 디지털 지문 간의 HD 값이 가장 작고 디지털 지문 인덱스 값이 가장 작은 특정 비교 디지털 지문을 식별할 수 있다.
그리고, 상기 적어도 하나의 프로세서는, 제3 미리 정의된 시간 동안 제2 특정 횟수 만큼 상기 특정 비교 디지털 지문 및 상기 기준 디지털 지문 간의 HD를 산출하는 단계를 반복하여 복수의 유속 후보 값을 획득하고; 및 상기 복수의 유속 후보 값 중 상위 20% 및 하위 20%에 해당하는 값을 제외한 나머지의 평균 값으로 상기 특정 하천의 단위 유속을 계측할 수 있다.
상기 과제의 해결 수단은, 본 개시의 특징을 모두 열거한 것은 아니다. 본 개시의 다양한 특징과 그에 따른 장점과 효과는 아래의 구체적인 실시예를 참조하여 보다 상세하게 이해될 수 있을 것이다.
본 개시의 다양한 실시예에 의해, 하천의 영상 정보를 활용한 인공지능 기반의 하천 수위 및 유속 계측 방법 및 장치가 제공될 수 있다.
본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 일 실시예에 따른, 하천의 영상 정보를 활용한 인공지능 기반의 하천 수위 및 유속 계측 시스템을 설명하기 위한 도면이다.
도 2는 본 개시의 일 실시예에 따른, 하천의 영상 정보를 활용한 인공지능 기반의 하천 수위 및 유속 계측을 실행하는 장치의 구조를 설명하기 위한 도면이다.
도 3은 본 개시의 일 실시예에 따른, 하천의 영상 정보를 활용한 인공지능 기반의 하천 수위 및 유속 계측 방법을 설명하기 위한 순서도이다.
도 4, 도 5 및 도 6은 본 개시의 일 실시예에 따른, 하천의 영상 정보를 활용한 인공지능 기반의 유속 계측 과정을 예시한다.
본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시의 개시가 완전하도록 하고, 본 개시가 속하는 기술 분야의 통상의 기술자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시는 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.
명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 개시의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작 시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다.
예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
이하에서는 도면을 참조하여 하천의 영상 정보를 활용한 인공지능 기반의 하천 수위 및 유속 계측 방법에 대해 설명하도록 한다.
도 1은 본 개시의 일 실시예에 따른, 하천의 영상 정보를 활용한 인공지능 기반의 하천 수위 및 유속 계측 시스템을 설명하기 위한 도면이다.
복수의 영상 촬영 장치(예로, 카메라 장치, 스마트 폰, CCTV 등등)는 하천에 대한 영상 데이터(10)를 생성할 수 있다. 복수의 영상 촬영 장치는 미리 정의된 시간/주기 동안 하천에 대한 영상 데이터를 생성할 수 있다.
하천의 영상 정보를 활용한 인공지능 기반의 하천 수위 및 유속 계측을 실행하는 장치는 복수의 영상 촬영 장치로부터 영상 데이터를 수집(20)할 수 있다.
여기서, 본 개시를 설명함에 있어서, "장치"는 다양한 유형의 전자 장치(예로, 데스크 탑, 노트북, 스마트폰, 태블릿 PC 등)로 구현될 수 있다. 추가적으로, "장치"는 하나 이상의 유형의 장치로 구성된 장치 군을 통칭할 수도 있다.
장치는 수집된 영상 데이터를 전처리(30)하고, 전처리된 영상 데이터로부터 하천 이미지를 분리(40)할 수 있다. 영상 데이터로부터 하천 이미지를 분리하는 동작은 전처리 동작의 일 요소로 포함될 수도 있다.
장치는 하천 이미지를 수위 검출 모듈(또는, 모델)(50)에 입력하여 하천의 수위에 대한 정보를 획득할 수 있다. 또한, 장치는 하천 이미지에 대해 유속 계측 모듈(또는, 알고리즘)(60)을 적용하여 하천의 유속을 계측할 수 있다. 이때, 계측된 유속은 하천의 표면유속일 수 있다.
장치는 하천의 수위, 하천의 유속, 및 하천 기본 정보(예로, 하천의 크기, 하천의 폭 등)(80)에 대해 유량 계산 모듈(70)을 적용하여 하천의 유량(90)을 산출할 수 있다.
도 2는 본 개시의 일 실시예에 따른, 하천의 영상 정보를 활용한 인공지능 기반의 하천 수위 및 유속 계측을 실행하는 장치의 구조를 설명하기 위한 도면이다.
도 2에 도시된 바와 같이, 장치(100)는 메모리(110), 통신 모듈(120), 디스플레이(130), 입력 모듈(140) 및 프로세서(150)를 포함할 수 있다. 다만, 이에 국한되는 것은 아니며, 장치(100)는 필요한 동작에 따라 당업자 관점에서 자명한 범위 내에서 소프트웨어 및 하드웨어 구성이 수정/추가/생략될 수 있다.
메모리(110)는 본 장치의 다양한 기능을 지원하는 데이터와, 제어부의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 특정 하천에 대한 영상 데이터 등)을 저장할 있고, 본 장치에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 본 장치의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다.
이러한, 메모리(110)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM(electrically erasable programmable read-only memory), PROM(programmable read-only memory), 자기 메모리, 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(110)는 본 장치와는 분리되어 있으나, 유선 또는 무선으로 연결된 데이터베이스가 될 수도 있다.
통신 모듈(120)은 외부 장치(예로, 복수의 영상 촬영 장치 등)와 통신을 가능하게 하는 하나 이상의 구성 요소를 포함할 수 있으며, 예를 들어, 무선통신 모듈 또는 위치정보 모듈 중 적어도 하나를 포함할 수 있다.
여기서, 무선 통신 모듈은 와이파이(Wifi) 모듈, 와이브로(Wireless broadband) 모듈 외에도, GSM(global System for Mobile Communication), CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), UMTS(universal mobile telecommunications system), TDMA(Time Division Multiple Access), LTE(Long Term Evolution), 4G, 5G, 6G 등 다양한 무선 통신 방식을 지원하는 무선 통신 모듈을 포함할 수 있다.
무선 통신 모듈은 각종 신호를 송신하는 안테나 및 송신기(Transmitter)를 포함하는 무선 통신 인터페이스를 포함할 수 있다. 또한, 무선 통신 모듈은 제어부의 제어에 따라 무선 통신 인터페이스를 통해 제어부로부터 출력된 디지털 제어 신호를 아날로그 형태의 무선 신호로 변조하는 신호 변환 모듈을 더 포함할 수 있다.
무선 통신 모듈은 각종 신호를 수신하는 안테나 및 수신기(Receiver)를 포함하는 무선 통신 인터페이스를 포함할 수 있다. 또한, 무선 통신 모듈은 무선 통신 인터페이스를 통하여 수신한 아날로그 형태의 무선 신호를 디지털 제어 신호로 복조하기 위한 신호 변환 모듈을 더 포함할 수 있다.
디스플레이(130)는 본 장치(100)에서 처리되는 정보(예를 들어, 특정 하천에 대한 영상 데이터, 전처리된 영상 데이터, 영상 데이터에 설정된 영역에 대응되는 디지털 지문 등)를 표시(출력)한다. 예를 들어, 디스플레이는 본 장치(100)에서 구동되는 응용 프로그램(일 예로, 어플리케이션)의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
입력부(140)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 사용자 입력부 등을 포함할 수 있다.
구체적으로, 사용자 입력부는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부를 통해 정보가 입력되면, 제어부는 입력된 정보에 대응되도록 본 장치의 동작을 제어할 수 있다. 이러한, 사용자 입력부는 하드웨어식 물리 키(예를 들어, 본 장치의 전면, 후면 및 측면 중 적어도 하나에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 소프트웨어식 터치 키를 포함할 수 있다.
일 예로서, 터치 키는, 소프트웨어적인 처리를 통해 터치스크린 타입의 디스플레이부 상에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다. 한편, 상기 가상키 또는 비주얼 키는, 다양한 형태를 가지면서 터치스크린 상에 표시되는 것이 가능하며, 예를 들어, 그래픽(graphic), 텍스트(text), 아이콘(icon), 비디오(video) 또는 이들의 조합으로 이루어질 수 있다.
프로세서(150)는 본 장치 내의 구성요소들의 동작을 제어하기 위한 알고리즘 또는 알고리즘을 재현한 프로그램에 대한 데이터를 저장하는 메모리, 및 메모리에 저장된 데이터를 이용하여 전술한 동작을 수행하는 적어도 하나의 프로세서(미도시)로 구현될 수 있다. 이때, 메모리와 프로세서는 각각 별개의 칩으로 구현될 수 있다. 또는, 메모리와 프로세서는 단일 칩으로 구현될 수도 있다.
또한, 프로세서는 이하의 도 3 내지 도 5에서 설명되는 본 개시에 따른 다양한 실시 예들을 본 장치 상에서 구현하기 위하여, 위에서 살펴본 구성요소들을 중 어느 하나 또는 복수를 조합하여 제어할 수 있다.
도 3은 본 개시의 일 실시예에 따른, 하천의 영상 정보를 활용한 인공지능 기반의 하천 수위 및 유속 계측 방법을 설명하기 위한 순서도이다.
장치는 적어도 하나의 촬영 장치를 통해 획득된 특정 하천에 대한 제1 영상 데이터를 전처리할 수 있다(S310).
구체적으로, 장치는 실시간으로 및/또는 미리 정의된 주기 별로 적어도 하나의 촬영 장치로부터 특정 하천에 대한 제1 영상 데이터를 수신할 수 있다. 장치는 수신된 특정 하천에 대한 제1 영상 데이터를 전처리할 수 있다.
일 예로, 장치는 특정 하천에 대한 제1 영상 데이터 중 하천과 관계 없는 영역을 삭제하고, 특정 하천이 위치한 영역에 대한 이미지 데이터를 분리할 수 있다.
장치는 전처리된 제1 영상 데이터를 하천 수위를 검출하도록 학습된 수위 검출 모델에 입력하여 특정 하천의 수위에 대한 정보를 획득할 수 있다(S320).
즉, 장치는 특정 하천이 위치한 영역에 대한 이미지 데이터를 수위 검출 모델에 입력하여 특정 하천의 수위에 대한 정보를 획득할 수 있다.
여기서, 수위 검출 모델은 특정 하천이 위치한 영역에 대한 이미지 데이터에 기초하여 상기 특정 하천의 수위에 대한 정보를 출력하도록 학습된 딥러닝 기반의 인공지능 모델일 수 있다.
일 예로, 수위 검출 모델은 i) 학습 영상 데이터 및 ii) 학습 영상 데이터에 대해 정답 수위 데이터가 라벨링(labeling)된 학습 데이터에 기초하여 학습될 수도 있다.
일 예로, 수위 검출 모델은 상관 계수(correlation coefficient, CC)(수학식 1 참조), 평균 제곱근 오차(root mean square error, RMSE)(수학식 2 참조), 및 평균 절대 오차(mean absolute error, MAE)(수학식 3 참조)에 기초한 회귀적 학습 방식으로 학습될 수 있다. 장치는 상관 계수, 평균 제곱근 오차 및 평균 절대 오차를 통해 수위 검출 모델의 정확도를 평가할 수 있다.
여기서, 평균 절대 오차는 정답 이미지 및 입력 데이터를 수집/가공하여 산출된 대상 이미지 간의 오차의 절대값 합을 자료 수로 나눈 값이다. 평균 절대 오차가 작을수록 대상 이미지가 정답 이미지와 더욱 동일하다는 것을 의미한다.
평균 제곱근 오차는 실제 수위 값과 대상 이미지로부터 출력된 수위 예측 값의 차이 값에 대해 평균 제곱 연산을 수행한 값을 의미한다. 수위 검출 모델은 평균 제곱근 오차가 작아지도록 학습될 수 있다.
상관 계수는 수위 값에 따른 선형관계식에 대하여 대상 이미지의 예측 수위 값이 얼마큼 떨어져 있는지를 확인할 때 사용된다. 상관 계수가 값이 1에 가까울수록 대상 이미지의 예측 수위 값이 실제 수위 값에 가깝다는 것을 의미한다.
그리고, 수학식 1 내지 3에서 Ot 및 Pt는 시간 t에서의 관측 수위 및 예측 수위를 의미하며, 및 각각은 관측 수위 및 예측 수위의 평균 값을 의미하며, N은 자료의 개수를 의미할 수 있다.
장치는 기준 디지털 지문 및 비교 디지털 지문을 생성할 수 있다(S330).
구체적으로, 장치는 전처리된 제1 영상 데이터(즉, 특정 하천에 대한 제1 영상 데이터로부터 분리된 특정 하천이 위치한 영역에 대한 이미지 데이터)를 통해 설정된 기준 영역에 대응되는 기준 디지털 지문을 생성할 수 있다. 여기서, 디지털 지문은 디지털 컨텐츠를 구별하는 식별키를 의미하며, 워터마킹 또는 해시 값과 유사/동일할 수 있다.
일 예로, 장치는 전처리된 제1 영상 데이터를 일정 크기로 분할할 수 있다. 장치는 분할된 영역 중 특정 영역을 기준 영역으로 설정할 수 있다.
장치는 기준 디지털 지문을 생성되고 제1 미리 정의된 시간(예로, 100ms) 후에 획득된 제2 영상 데이터를 기준 영역의 위치를 기준으로 유속 방향으로 단위 픽셀(예로, 4 픽셀 등)만큼 n (n은 2 이상의 자연수) 번 반복적으로 이동시키면서 n 개의 비교 디지털 지문을 생성할 수 있다.
구체적으로, 장치는 제2 영상 데이터에서 기준 영역을 기준으로 유속 방향으로 단위 픽셀만큼 이동시킨 후, 기준 영역 크기와 동일한 제n-1 영역을 설정하고, 제n-1 영역에 대응되는 제n-1 비교 디지털 지문을 생성할 수 있다.
추가적으로, 장치는 제2 영상 데이터에서 상기 제n-1 영역을 기준으로 유속 방향으로 단위 픽셀만큼 이동시킨 후, 기준 영역 크기와 동일한 제n 영역을 설정하고, 상기 제n 영역에 대응되는 제n 비교 디지털 지문을 생성할 수 있다.
즉, 장치는 1번 제2 영상 데이터를 이동시킬 때마다 기준 영역 크기와 동일한 영역에 대응되는 비교 디지털 지문을 생성할 수 있다.
일 에로, 도 4를 참조하면, 장치는 기준 영역에 대응되는 기준 디지털 지문(FO)를 생성할 수 있다. 제1 미리 정의된 시간 후, 장치는 새롭게 획득된 영상 데이터를 단위 픽셀(예로, 4px) 씩 이동시키면서 비교 디지털 지문(F1, F2, … Fn)을 생성할 수 있다.
여기서, 단위 픽셀을 이동시킨 횟수에 대응되도록 비교 디지털 지문의 인덱스가 설정될 수 있다. 즉, 기준 영역으로부터 n번 단위 픽셀 만큼 이동시켰을 때 획득되는 비교 디지털 지문의 인덱스는 Fn으로 설정될 수 있다.
장치는 n 개의 비교 디지털 지문 각각 및 상기 기준 디지털 지문 간의 거리에 기초하여, 특정 하천의 단위 유속을 계측할 수 있다(S340).
구체적으로, 장치는 n 개의 비교 디지털 지문 각각 및 기준 디지털 지문 간의 해밍 거리(hamming distance, HD)를 획득할 수 있다. 장치는 n 개의 비교 디지털 지문 중 기준 디지털 지문 간의 HD 값이 가장 작고 디지털 지문 인덱스 값이 가장 작은 특정 비교 디지털 지문을 식별할 수 있다.
장치는 제3 미리 정의된 시간 동안(예로, 1초) 제2 특정 횟수(예로, 10회) 만큼 특정 비교 디지털 지문 및 기준 디지털 지문 간의 HD를 산출하는 단계를 반복하여 복수의 유속 후보 값을 획득할 수 있다.
즉, 장치는 제3 미리 정의된 시간 동안(예로, 1초) 제2 특정 횟수 만큼 S330 단계에 대응되는 동작 및 n 개의 비교 디지털 지문 중 기준 디지털 지문 간의 HD 값이 가장 작고 디지털 지문 인덱스 값이 가장 작은 특정 비교 디지털 지문을 식별하는 동작을 반복함으로써, 복수의 유속 후보 값을 획득할 수 있다.
장치는 복수의 유속 후보 값 중 상위 20% 및 하위 20%에 해당하는 값을 제외한 나머지의 평균 값으로 특정 하천의 단위 유속을 계측할 수 있다.
단위 유속은 이동 픽셀 개수에 픽셀 당 거리(예로, 실측 화면폭 거리/해상도)를 곱한 값에 기초하여 산출될 수 있다. 일 예로, 이동 픽셀 개수가 32.245이고 이동 거리가 32.245 * 4.082 mm (즉, 0.13162409m)인 경우, 유속은 0.13162409 / (100/1000) = 1.3162409 m/sec로 계측될 수 있다. 여기서, 4.082는 실측 화면 폭 거리/해상도(예로, 5.225m/1280)에 따라 산출된 값이다.
장치는 제2 미리 정의된 시간 동안 제1 특정 횟수 만큼 특정 하천의 단위 유속을 계측하는 단계를 반복하여 획득된 복수의 단위 유속 값에 기초하여, 확정 유속을 계측할 수 있다(S350).
일 예로, 장치는 제2 미리 정의된 시간(예로, 1분 또는 10분) 동안 제1 특정 횟수 만큼 단위 유속을 계측하는 동작(예로, S340 단계에 대응되는 동작)을 반복하여 복수의 단위 유속 값을 산출할 수 있다.
장치는 복수의 단위 유속 값 중 상위 20% 및 하위 20%에 해당하는 값을 제외한 나머지의 평균 값을 확정 유속으로 계측할 수 있다.
장치는 특정 하천의 수위에 대한 정보 및 확정 유속에 기초하여, 특정 하천의 유량을 획득할 수 있다(S360).
구체적으로, 장치는 특정 하천의 수위에 대한 정보 및 확정 유속을 미리 마련된 수위-유량 관계곡선식에 적용하여 특정 하천의 유량을 획득할 수 있다.
도 5 및 도 6은 본 개시의 일 실시예에 따른, 하천의 영상 정보를 활용한 인공지능 기반의 유속 계측 과정을 예시한다.
본 개시의 일 예로, 도 5에 도시된 바와 같이, 장치는 특정 하천에 대한 영상 데이터를 획득할 수 있다. 장치는 특정 하천에 대한 영상 데이터에 대해 전처리를 수행한 후 하천이 위치한 영역에 대한 이미지를 분리할 수 있다.
도 6에 도시된 바와 같이, 장치는 하천이 위치한 영역에 대한 이미지에 설정된 기준 영역(또는, 윈도우)에 대응되는 기준 디지털 지문을 생성할 수 있다.
장치는 기준 디지털 지문을 생성하고 제1 미리 정의된 시간 후(예로, 1초)에 획득된 영상 데이터를 기준 영역의 위치를 기준으로 유속 방향(또는, 물 흐림 방향)으로 단위 픽셀(예로, 24 픽셀)만큼 n (예로, n=3) 번 반복적으로 이동시키면서 n 개의 비교 디지털 지문을 생성할 수 있다.
예로, 도 6에 도시된 바와 같이, 장치는 1번 (비교) 디지털 지문, 2번 (비교) 디지털 지문, 3번 (비교) 디지털 지문 등을 생성할 수 있다.
장치는 n 개의 비교 디지털 지문 각각 및 기준 디지털 지문 간의 해밍 거리를 산출할 수 있다. 그리고, 장치는 n 개의 비교 디지털 지문 중 기준 디지털 지문 간의 HD 값이 가장 작고 디지털 지문 인덱스 값이 가장 작은 특정 비교 디지털 지문을 식별할 수 있다.
일 예로, 기준 디지털 지문과 7 개의 비교 디지털 지문 간의 해밍 거리는 표 1과 같이 산출될 수 있다.
비교 디지털 지문 인덱스 해밍 거리
1 0.719
2 0.821
3 0.143
4 0.310
5 0.022
6 0.417
7 0.255
장치는 표 1의 비교 디지털 지문 인덱스 중 해밍 거리가 임계값(예로, 0.2) 이하인 3번 및 5번 비교 디지털 지문을 식별할 수 있다. 그리고, 장치는 3번 및 5번 비교 디지털 지문 중 인덱스 값이 작은 3번 비교 디지털 지문 값을 선택할 수 있다.
장치는 3번 비교 디지털 지문 값에 기초하여 유속을 산출할 수 있다. 일 예로, 단위 시간 동안 이동 거리는 72 (= 24 * 3) 픽셀이고, 1 픽셀 당 거리는 0.0174895625m이다. 이에 따라, 장치는 72 * 0.0174895625m을 통해 1.2592485 m/s라는 표면 유속을 산출할 수 있다.
한편, 개시된 실시예들은 컴퓨터에 의해 실행 가능한 명령어를 저장하는 기록매체의 형태로 구현될 수 있다. 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 프로그램 모듈을 생성하여 개시된 실시예들의 동작을 수행할 수 있다. 기록매체는 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다.
컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터에 의하여 해독될 수 있는 명령어가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다.
이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 개시가 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.
110: 메모리
120: 통신 모듈
130: 디스플레이
140: 입력 모듈
150: 프로세서

Claims (12)

  1. 장치에 의해 수행되는, 인공지능 기반의 하천 수위 및 유속을 계측하는 방법에 있어서, 상기 방법은:
    적어도 하나의 촬영 장치를 통해 획득된 특정 하천에 대한 제1 영상 데이터를 전처리하는 단계;
    상기 전처리된 제1 영상 데이터를 하천 수위를 검출하도록 학습된 수위 검출 모델에 입력하여 상기 특정 하천의 수위에 대한 정보를 획득하는 단계;
    상기 전처리된 제1 영상 데이터를 통해 설정된 기준 영역에 대응되는 기준 디지털 지문을 생성하고, 상기 기준 디지털 지문이 생성되고 제1 미리 정의된 시간 후에 획득된 제2 영상 데이터를 상기 기준 영역의 위치를 기준으로 유속 방향으로 단위 픽셀만큼 n (n은 2 이상의 자연수) 번 반복적으로 이동시키면서 n 개의 비교 디지털 지문을 생성하는 단계;
    상기 n 개의 비교 디지털 지문 각각 및 상기 기준 디지털 지문 간의 거리에 기초하여, 상기 특정 하천의 단위 유속을 계측하는 단계;
    제2 미리 정의된 시간 동안 제1 특정 횟수 만큼 상기 특정 하천의 단위 유속을 계측하는 단계를 반복하여 획득된 복수의 단위 유속 값에 기초하여, 확정 유속을 계측하는 단계;
    상기 특정 하천의 수위에 대한 정보 및 상기 확정 유속에 기초하여, 상기 특정 하천의 유량을 획득하는 단계를 포함하는, 방법.
  2. 제1항에 있어서,
    상기 전처리된 영상 데이터는,
    상기 특정 하천에 대한 제1 영상 데이터로부터 분리된 상기 특정 하천이 위치한 영역에 대한 이미지 데이터를 포함하고,
    상기 수위 검출 모델은,
    상기 특정 하천이 위치한 영역에 대한 이미지 데이터에 기초하여 상기 특정 하천의 수위에 대한 정보를 출력하도록 학습된, 방법.
  3. 제2항에 있어서,
    상기 n 개의 비교 디지털 지문을 생성하는 단계는,
    상기 제2 영상 데이터에서 상기 기준 영역을 기준으로 유속 방향으로 단위 픽셀만큼 이동시킨 후, 상기 기준 영역 크기와 동일한 제n-1 영역을 설정하고, 상기 제n-1 영역에 대응되는 제n-1 비교 디지털 지문을 생성하는 단계; 및
    상기 제2 영상 데이터에서 상기 제n-1 영역을 기준으로 유속 방향으로 단위 픽셀만큼 이동시킨 후, 상기 기준 영역 크기와 동일한 제n 영역을 설정하고, 상기 제n 영역에 대응되는 제n 비교 디지털 지문을 생성하는 단계를 포함하는, 방법.
  4. 제3항에 있어서,
    상기 특정 하천의 단위 유속을 계측하는 단계는,
    상기 n 개의 비교 디지털 지문 각각 및 상기 기준 디지털 지문 간의 해밍 거리(hamming distance, HD)를 획득하는 단계; 및
    상기 n 개의 비교 디지털 지문 중 상기 기준 디지털 지문 간의 HD 값이 가장 작고 디지털 지문 인덱스 값이 가장 작은 특정 비교 디지털 지문을 식별하는 단계를 포함하는, 방법.
  5. 제4항에 있어서,
    상기 특정 하천의 단위 유속을 계측하는 단계는,
    제3 미리 정의된 시간 동안 제2 특정 횟수 만큼 상기 특정 비교 디지털 지문 및 상기 기준 디지털 지문 간의 HD를 산출하는 단계를 반복하여 복수의 유속 후보 값을 획득하는 단계; 및
    상기 복수의 유속 후보 값 중 상위 20% 및 하위 20%에 해당하는 값을 제외한 나머지의 평균 값으로 상기 특정 하천의 단위 유속을 계측하는 단계를 포함하는, 방법.
  6. 제4항에 있어서,
    상기 확정 유속은,
    상기 복수의 단위 유속 값 중 상위 20% 및 하위 20%에 해당하는 값을 제외한 나머지의 평균 값인, 방법.
  7. 인공지능 기반의 하천 수위 및 유속을 계측하는 장치에 있어서, 상기 장치는:
    하나 이상의 메모리; 및
    하나 이상의 프로세서를 포함하고,
    상기 하나 이상의 프로세서는,
    적어도 하나의 촬영 장치를 통해 획득된 특정 하천에 대한 제1 영상 데이터를 전처리하고;
    상기 전처리된 제1 영상 데이터를 하천 수위를 검출하도록 학습된 수위 검출 모델에 입력하여 상기 특정 하천의 수위에 대한 정보를 획득하고;
    상기 전처리된 제1 영상 데이터를 통해 설정된 기준 영역에 대응되는 기준 디지털 지문을 생성하고, 상기 기준 디지털 지문이 생성되고 제1 미리 정의된 시간 후에 획득된 제2 영상 데이터를 상기 기준 영역의 위치를 기준으로 유속 방향으로 단위 픽셀만큼 n (n은 2 이상의 자연수) 번 반복적으로 이동시키면서 n 개의 비교 디지털 지문을 생성하고;
    상기 n 개의 비교 디지털 지문 각각 및 상기 기준 디지털 지문 간의 거리에 기초하여, 상기 특정 하천의 단위 유속을 계측하고;
    제2 미리 정의된 시간 동안 제1 특정 횟수 만큼 상기 특정 하천의 단위 유속을 계측하는 단계를 반복하여 획득된 복수의 단위 유속 값에 기초하여, 확정 유속을 계측하고; 및
    상기 특정 하천의 수위에 대한 정보 및 상기 확정 유속에 기초하여, 상기 특정 하천의 유량을 획득하도록 설정되는, 장치.
  8. 제7항에 있어서,
    상기 전처리된 영상 데이터는,
    상기 특정 하천에 대한 제1 영상 데이터로부터 분리된 상기 특정 하천이 위치한 영역에 대한 이미지 데이터를 포함하고,
    상기 수위 검출 모델은,
    상기 특정 하천이 위치한 영역에 대한 이미지 데이터에 기초하여 상기 특정 하천의 수위에 대한 정보를 출력하도록 학습된, 장치.
  9. 제8항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 제2 영상 데이터에서 상기 기준 영역을 기준으로 유속 방향으로 단위 픽셀만큼 이동시킨 후, 상기 기준 영역 크기와 동일한 제n-1 영역을 설정하고, 상기 제n-1 영역에 대응되는 제n-1 비교 디지털 지문을 생성하고; 및
    상기 제2 영상 데이터에서 상기 제n-1 영역을 기준으로 유속 방향으로 단위 픽셀만큼 이동시킨 후, 상기 기준 영역 크기와 동일한 제n 영역을 설정하고, 상기 제n 영역에 대응되는 제n 비교 디지털 지문을 생성하는, 장치.
  10. 제9항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 n 개의 비교 디지털 지문 각각 및 상기 기준 디지털 지문 간의 해밍 거리(hamming distance, HD)를 획득하고; 및
    상기 n 개의 비교 디지털 지문 중 상기 기준 디지털 지문 간의 HD 값이 가장 작고 디지털 지문 인덱스 값이 가장 작은 특정 비교 디지털 지문을 식별하는, 장치.
  11. 제10항에 있어서,
    상기 적어도 하나의 프로세서는,
    제3 미리 정의된 시간 동안 제2 특정 횟수 만큼 상기 특정 비교 디지털 지문 및 상기 기준 디지털 지문 간의 HD를 산출하는 단계를 반복하여 복수의 유속 후보 값을 획득하고; 및
    상기 복수의 유속 후보 값 중 상위 20% 및 하위 20%에 해당하는 값을 제외한 나머지의 평균 값으로 상기 특정 하천의 단위 유속을 계측하는, 장치.
  12. 제10항에 있어서,
    상기 확정 유속은,
    상기 복수의 단위 유속 값 중 상위 20% 및 하위 20%에 해당하는 값을 제외한 나머지의 평균 값인, 장치.
KR1020230160952A 2023-11-20 2023-11-20 하천의 영상 정보를 활용한 인공지능 기반의 하천 수위 및 유속 계측 방법 및 장치 KR102630546B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230160952A KR102630546B1 (ko) 2023-11-20 2023-11-20 하천의 영상 정보를 활용한 인공지능 기반의 하천 수위 및 유속 계측 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230160952A KR102630546B1 (ko) 2023-11-20 2023-11-20 하천의 영상 정보를 활용한 인공지능 기반의 하천 수위 및 유속 계측 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102630546B1 true KR102630546B1 (ko) 2024-01-30

Family

ID=89714850

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230160952A KR102630546B1 (ko) 2023-11-20 2023-11-20 하천의 영상 정보를 활용한 인공지능 기반의 하천 수위 및 유속 계측 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102630546B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220065436A (ko) * 2020-11-13 2022-05-20 단국대학교 산학협력단 옵티컬 플로우를 활용한 상호상관법의 탐색영역 결정방법
KR102411499B1 (ko) * 2021-10-18 2022-06-22 대한민국 드론 및 소하천 자동유량계측기술을 활용한 소하천 유량 계측 장치, 시스템 및 방법
KR102511967B1 (ko) * 2021-11-19 2023-03-20 (주)해양정보기술 영상 기반 해수위 관측 방법 및 시스템
KR102519606B1 (ko) * 2022-08-31 2023-04-13 주식회사 하이드로셈 열영상 및 다변수 좌표 변환 기반의 실시간 하천 자동유량계측 시스템 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220065436A (ko) * 2020-11-13 2022-05-20 단국대학교 산학협력단 옵티컬 플로우를 활용한 상호상관법의 탐색영역 결정방법
KR102411499B1 (ko) * 2021-10-18 2022-06-22 대한민국 드론 및 소하천 자동유량계측기술을 활용한 소하천 유량 계측 장치, 시스템 및 방법
KR102511967B1 (ko) * 2021-11-19 2023-03-20 (주)해양정보기술 영상 기반 해수위 관측 방법 및 시스템
KR102519606B1 (ko) * 2022-08-31 2023-04-13 주식회사 하이드로셈 열영상 및 다변수 좌표 변환 기반의 실시간 하천 자동유량계측 시스템 및 방법

Similar Documents

Publication Publication Date Title
US9996768B2 (en) Neural network patch aggregation and statistics
US9418319B2 (en) Object detection using cascaded convolutional neural networks
US9665962B2 (en) Image distractor detection and processng
KR20210006971A (ko) 지오로케이션 예측을 위한 시스템 및 방법
KR102638707B1 (ko) 바코드를 판독하는 방법 및 전자 장치
CN112560980B (zh) 目标检测模型的训练方法、装置及终端设备
US20200242398A1 (en) Information processing method and information processing system
CN112053363B (zh) 视网膜血管分割方法、装置及模型构建方法
US20200202556A1 (en) Water level measurement device and shoreline extraction method
US9652850B2 (en) Subject tracking device and subject tracking method
KR102655789B1 (ko) 얼굴 검출 방법 및 장치
US20220366259A1 (en) Method, apparatus and system for training a neural network, and storage medium storing instructions
CN110956131B (zh) 单目标追踪方法、装置及系统
KR102440198B1 (ko) 시각 검색 방법, 장치, 컴퓨터 기기 및 저장 매체 (video search method and apparatus, computer device, and storage medium)
CN114005019B (zh) 一种翻拍图像识别方法及其相关设备
Oga et al. River state classification combining patch-based processing and CNN
JP2015197851A (ja) 画像処理方法、画像処理用プログラム及び情報管理システム
KR102630546B1 (ko) 하천의 영상 정보를 활용한 인공지능 기반의 하천 수위 및 유속 계측 방법 및 장치
CN111741329B (zh) 一种视频处理方法、装置、设备及存储介质
CN108280425A (zh) 一种基于屏下式光学指纹传感器的快速测光实现方法
CN111539390A (zh) 一种基于Yolov3的小目标图像识别方法、设备和系统
JP6341708B2 (ja) 情報処理装置及びその制御方法、プログラム
Nugroho et al. Comparison of deep learning-based object classification methods for detecting tomato ripeness
CN112367461B (zh) 仪表图像样本制作方法及系统、存储介质、电子设备
US11908144B2 (en) Image processing apparatus, method, and medium using degrees of reliability and similarity in motion vectors

Legal Events

Date Code Title Description
A302 Request for accelerated examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant